[发明专利]一种基于遥感图像的水库水体提取方法

说明书

本发明公开一种基于遥感图像的水库水体提取方法，首先遥感图像进行预处理，构建水体提取数据集。构建Res2Net‑UNet模型对遥感图像进行水体提取，使用UNet模型的编码器和解码器的结构，将结合了Res2Net模块的ResNet50网络模型作为编码器，并在解码器中融入混合域注意力机制，同时在编码器和解码器之间加入跳跃连接，更好的对编码器和解码器进行特征融合，并充分利用图像中的空间信息和通道信息，最后使用随机搜索算法对Res2Net‑UNet模型进行参数寻优，使用训练好的模型进行水体提取，使得水库水体提取结果的精度更高。

技术领域

本发明属于遥感图像处理领域，具体涉及一种基于遥感图像的水库水体提取方法。

背景技术

水资源在人们的日常生活中扮演着非常重要的角色，在经济社会的可持续发展中也发挥着重要的作用。地表水资源对生态系统、农业、工业以及社会生活都非常重要，而随着经济社会的不断发展、人口的不停增长，对水资源的需求也日益增多。我国的水资源分布不均匀，与人口、生产力的需求不能较好的匹配；在农业用水方面，水资源分布较为分散，主要依靠人工经验；而由于水资源的短缺，生态用水也收到很多的限制。因此，快速准确的获取水资源的信息，对经济社会的发展有着十分积极的意义。遥感技术可以在远距离的情况下，通过电磁波、可见光或红外线对地表不同物体的辐射或反射不同，来识别不同的目标，在对地观测和信息获取方面是最为有效的方式之一。遥感数据所包含的信息丰富，获取速度快，通过遥感技术对地面进行监测，能够很好的弥补人工观测中信息获取不及时、难度大等缺点。

通过遥感图像进行水体提取，主要是利用遥感图像中丰富的波段信息，对遥感图像中包含的水体信息进行提取和处理。近年来，随着高分辨率遥感图像的发展，在高空间分辨率和多光谱遥感数据的前提下，建立准确有效的水体提取模型对于水体信息的提取和应用有着重要的意义。

遥感图像的水体提取方法主要有基于光谱特征的方法、传统机器学习方法和深度学习方法。基于光谱特征的方法主要是使用遥感图像的光谱特征，利用光谱之间的差异进行水体提取。传统机器学习方法包括支持向量机、最大似然分类和BP神经网络等。深度学习方法主要利用深层神经网络对特征提取，从而进行遥感图像的水体提取。

基于光谱特征的提取方法主要是利用遥感图像中的光谱信息，对于遥感图像的类型具有一定的局限性。使用机器学习方法进行水体提取时，可以通过学习训练样本的数据进行水体的提取，但是机器学习的学习能力不够强，导致水体提取的准确率较低。使用深度学习方法进行水体提取时，需要大量的样本数据共深度学习网络学习。如何提高水体边缘和细小水体的提取精度是对遥感图像进行水体提取时需要考虑的问题。

发明内容

发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种基于遥感图像的水库水体提取方法，提出Res2Net-UNet模型进行遥感图像的水库水体提取，充分利用遥感图像中的水库水体特征信息。

技术方案：本发明的一种基于遥感图像的水库水体提取方法，包括以下步骤：

步骤S1、对遥感图像进行预处理，获得水体提取数据集，将数据集划分为训练集和测试集。

步骤S2、使用训练集训练神经网络，提出一种基于遥感图像的水库水体提取方法，提出一种Res2Net-UNet模型进行水库水体提取，采用UNet模型的编码层和解码层结构构建模型，并结合Res2Net模块和混合域注意力机制，将训练集作为模型的输入对Res2Net-UNet模型进行训练。

步骤S3、采用随机搜索算法对Res2Net-UNet模型进行参数寻优，将训练好的模型对遥感图像进行水体提取，得到水体提取结果。

所述步骤S1是对图像进行预处理，所述步骤S1进一步为：对遥感图像进行辐射定标、大气校正、正射校正和波段融合处理，波段融合所用的波段为波段4、波段3和波段2；之后使用Labelme工具进行图像水体标注，得到水体提取数据集；将数据集按照8∶2的比例分为训练集和测试集。